Spoken corpora/nl

Gesproken corpora zijn corpora die bestaan uit gesproken data of materiaal dat gebaseerd is op gesproken data.

Boarnsterhim Corpus (BHC) (Momenteel niet beschikbaar)

Het Boarnsterhim Corpus bestaat uit 250 uur spraak in zowel West-Fries als Nederlands door dezelfde groep tweetalige sprekers. Het corpus bevat originele opnamen uit 1982-1984 en een replicerend onderzoek 35 jaar later. De dataverzameling omvat de spraak van vier generaties en combineert paneldata en trenddata. ##Dit corpus is tijdelijk niet beschikbaar omdat er aanpassingen noodzakelijk zijn. Voor meer informatie hierover kunt u contact opnemen met Hans van de Velde (HvandeVelde@fryske-akademy.nl) of met Wilbert Heeringa, de datamanager van de FA (wheeringa@fryske-akademy.nl).##

• 42.6 MB
• versie 1.0 (2020)
• dataset van 1982-1984 + replicatie 35 jaar later
• Download pagina

COPAS: Corpus Pathologische en Normale Spraak

Het Corpus Pathologische en Normale Spraak (COPAS) bevat opnames van de DIA (Dutch Intelligibility Assessment). Daarnaast bevat het ook voorgelezen tekstpassages, afzonderlijke zinnen en spontane spraak van een deel van de sprekers. Het corpus bevat opnames van bijna 200 Vlaamse pathologische sprekers (= sprekers met een hoorbare stoornis) en 122 Vlaamse controlesprekers. De nodige annotaties werden voorzien.

• Belgisch-Nederlands
• Download pagina
• Project pagina

Corpus Gesproken Nederlands

Het Corpus Gesproken Nederlands (CGN) is een verzameling van 900 uur (bijna 9 miljoen woorden) hedendaagse Nederlandse spraak, afkomstig van Vlamingen en Nederlanders.

De spraakfragmenten (spontaan en voorbereid) zijn opgelijnd met diverse transcripties (o.a. orthografisch, fonetisch) en annotaties (syntactisch, POS-tags). Metadata, lexica, frequentielijsten en de corpusexploratiesoftware Corex behoren ook tot het CGN.

• 900 uur gesproken Nederlands
• 1998 - 2004
• getagged, gelemmatiseerd, geannoteerd (orthografisch/fonetisch)
• corpus exploration software (Corex)
• versie 2.0.3.
• Project website
• Download pagina
• Online zoeken met OpenSonar. Ga naar Extended Mode om uitsluitend in het Corpus Gesproken Nederlands te zoeken. (ZieCorpus querying voor meer informatie over OpenSonar.)

IFA Spoken Language Corpus

Het IFA Spoken Language Corpus is een gratis (GPL) database van handmatig gesegmenteerde gesproken Nederlands op foneem niveau. Het is samengesteld met pasklare software en gesproken Nederlands afkomstig van 8 sprekers met een verscheidenheid aan spreekstijlen. Voor een totaal van 50.000 woorden (41 minuten/spreker), duurde het vergaren en voorbereiden van spraak ongeveer drie weken per spreker.

• versie 1.0 (2001)
• 4.6 MB
• Download pagina
• Project website

JASMIN-spraakcorpus

Het JASMIN-spraakcorpus is een verzameling Nederlandse spraak van jongeren, anderstaligen en senioren, woonachtig in Vlaanderen en Nederland. De spraakopnames bestaan uit voorgelezen teksten en mens-machinedialogen, en zijn verrijkt met verschillende annotatielagen. Het JASMIN-spraakcorpus is een aanvulling op het Corpus Gesproken Nederlands (CGN).

• 115 uur aan gesproken Nederlands
• spraak van kinderen, ouderen en anderstaligen en mens-machinedialogen.
• letterlijke transcriptie, een transcriptie van het mens-machine-interactiefenomeen, POS tagging van de woorden, en een automatische fonetische transcriptie.
• versie 1.0 (2008)
• Recording Speech of Children, Non-Natives and Elderly People for HLT Applications: the JASMIN-CGN Corpus (LREC Proceedings 2008)
• Download pagina

SABeD -- Spoken Academic Belgian Dutch

Het SABeD corpus verzamelingsproject is begonnen op 1 maart 2021 en is nog niet beschikbaar. Het corpus van gesproken academisch Belgisch-Nederlands zal bestaan uit 200 colleges.

• Project website

AUTONOMATA-namencorpus

Het AUTONOMATA-namencorpus is een database van in totaal circa 5000 voorgelezen voornamen, achternamen, straatnamen, plaatsnamen en controlewoorden. Het corpus bestaat uit een Nederlands en een Vlaams deel.

• versie 1.0 (2008)
• Paper
• Download pagina

AUTONOMATA-POI-corpus

Het AUTONOMATA-POI-corpus is een database van 800 voorgelezen points of interest (POI's) uit Nederland en België, bestaande uit namen van restaurants, hotels, campings, cafés etc. Het corpus bevat opnames van 80 sprekers met verschillende taalachtergronden, in totaal 16.000 geluidsbestanden. Daarnaast werden sprekers in staat gesteld meerdere pogingen voor een POI op te nemen, wat heeft geresulteerd in 5677 extra geluidsbestanden. Alle uitingen zijn handmatig fonetisch getranscribeerd.

• Documentatie
• [Project website
• Download pagina

Children's Oral Reading Corpus (CHOREC)

The CHOREC Corpus contains recorded, transcribed and annotated read speech (42 GB or 130 hours) of 400 Dutch speaking elementary school children with or without reading difficulties. Analyses of inter- and intra-annotator agreement are carried out in order to investigate the consistency with which reading errors are detected, orthographic and phonetic transcriptions are made, and reading errors and reading strategies are labeled.

• Paper
• Project page
• Download page

BLISS Dialogue Summaries

This dataset consists of Dutch recordings of participants talking with the BLISS dialogue system about their everyday occupations and their favorite activities. The corpus contains 55 recordings with an average duration of 2 minutes and 34 seconds.

• Project page
• Download page